This review is a comprehensive overview of recent advancements in underwater in situ heavy metal voltammetric analyzers (UIHVAs). It explores various types of in situ voltammetric analyzers, including the voltammetric in situ profiling system, submersible integrated multi-channel trace metal sensing probes, vibrating gold microwire electrode voltammetric analyzers, and electrochemical analyzers designed for on-site flow measurements. It also covers electrochemical sensors based on flexible liquid crystal polymers, deep-sea mercury sensors, and other in situ electrochemical analyzers. This review systematically examines the research and development progress of microelectrode arrays, screen-printed, carbon, bismuth, antimony, and lab-on-a-chip electrodes. The final section looks at key trends in the research and development of voltammetric analyzers, highlighting the exploration of novel working electrodes, the integration of smart monitoring and data analysis technologies, and the promotion of interdisciplinary collaboration and innovation. From a global perspective, in situ heavy metal voltammetric analysis technology has demonstrated significant applicability in various fields, such as environmental monitoring, marine science, and biogeochemistry. This technology holds considerable potential for further development. However, extensive research and continuous improvement are required to improve detection performance. We are convinced that with continued technological advances and dedicated research efforts, these challenges can be overcome and will pave the way for the widespread application of UIHVAs.

Wearable continuous gait phase estimation is essential for walking assistance, clinical rehabilitation, and clinical assessment; however, most algorithms have only been validated for straight-line and constant-speed walking, and it is unclear how performance will change in real-life locomotion scenarios. A generalized paradigm is needed to comprehensively assess and recommend wearable continuous gait phase estimation strategies for the diverse array of walking situations. We thus propose a comprehensive evaluation indicator system for eight typical gait activities in daily life including slow walking, standard walking, running, walking with turns, stair descent, stair ascent, stop-and-go, and uneven terrain walking. The indicator system was used to evaluate four commonly used continuous gait phase estimation strategies: adaptive oscillators, phase oscillator, neural network, and time-based estimation. Eleven healthy participants were enrolled in the evaluation. All estimation strategies performed well for constant-speed walking but performance varied for other activities. Time-based estimation was most accurate for slow walking (0.094±0.011 rad root mean square error, 1.50±0.18% of one gait cycle), running (0.167±0.028 rad, 2.66±0.44%) and walking with turns (0.124±0.047 rad, 2.00±0.75%). Adaptive oscillators were most accurate for standard walking (0.115±0.037 rad, 1.83±0.59%). Phase oscillator was most accurate for stair climbing (0.280±0.063 rad, 4.46±1.00%) and uneven terrain (0.204±0.069 rad, 4.30±1.10%). Neural network was most accurate for stop-and-go (0.27±0.114 rad, 4.30±1.81%). These results can potentially provide guidance for determining suitable gait phase estimation strategies in realistic locomotion scenarios, and in comparing and optimizing the current proposed strategies.